Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ENGENHARIA RURAL PROF.ª CAMILA APARECIDA DA SILVA MARTINS ALEGRE-ES 2012 ESTATÍSTICA BÁSICA CAP. 3 – PROBABILIDADES INTRODUÇÃO A teoria matemática da probabilidade fornece instrumentos para construção e análise de modelos matemáticos relativos a fenômenos aleatórios. Ao estudarmos um fenômeno aleatório, temos diante de nós um experimento cujo resultado não pode ser previsto. Historicamente, o propósito original da teoria das probabilidades limitava-se à descrição e ao estudo dos jogos de azar e quase todo o esforço era concentrado no cálculo do valor de certas probabilidades de interesse. Entretanto, a obtenção de valores numéricos de probabilidade não é o principal objetivo da teoria, e assim surge a descoberta de leis gerais, e a construção de modelos teóricos satisfatórios. Com a advento da teoria das probabilidades, foi possível estabelecer as distribuições de probabilidade, consideradas hoje a espinha dorsal da teoria estatística, pois todos os processos inferenciais são aplicações de distribuições de probabilidade. Assim, o conhecimento dos conceitos advindos da teoria das probabilidades é de grande importância para uma correta utilização da técnica estatística. CONCEITOS FUNDAMENTAIS MODELO DETERMINÍSTICO • É aquele modelo em que, a partir das condições em que o experimento é realizado, pode-se determinar seu resultado. • Sabe-se, por exemplo, que a expressão: e = - 4,9 t2 + vot • Representa a distância vertical percorrida por um objeto acima do solo, sendo vo a velocidade inicial e t o tempo gasto na queda. Portanto, conhecidos os valores de vo e t, o valor de e fica implicitamente determinado. • É importante observar que existe uma relação definida entre t e e que determina a quantidade no primeiro membro da equação, se aquelas do segundo membro forem fornecidas. CONCEITOS FUNDAMENTAIS MODELO PROBABILÍSTICO • É aquele modelo em que as condições de execução de um experimento não determinam o resultado final, mas sim o comportamento probabilístico do resultado observável. • Considere-se, por exemplo, a seguinte situação: deseja-se determinar qual a precipitação pluviométrica que ocorrerá numa determinada localidade como resultado de uma tempestade que se avizinha. • Dispõe-se de informações sobre pressão barométrica em vários pontos, variação de pressão, velocidade do vento, entre outras informações. • Embora, essas informações sejam importantes, não são capazes de responder a questão levantada, qual seja, a de quanta chuva irá cair. EXPERIMENTOS PROBABILÍSTICOS OU ALEATÓRIOS São aqueles experimentos cujos resultados podem não ser os mesmos, ainda que sejam repetidos sob condições essencialmente idênticas. São exemplos de experimentos probabilísticos: E1: Lançar uma moeda 10 vezes e observar o número de caras obtidas. E2: Selecionar uma carta de um baralho com 52 cartas e observar seu “naipe”. E3: Jogar um dado ao ar e observar a sua face superior. ESPAÇO AMOSTRAL O conjunto de todos os possíveis resultados de um experimento ou, em outras palavras, é o conjunto universo relativo aos resultados de um experimento. Esse conjunto será representado pela letra S. Assim, pode-se dizer que, a cada experimento aleatório sempre estará associado um conjunto de resultados possíveis ou espaço amostral. Aos experimentos aleatórios exemplificados anteriormente estão associados os seguintes espaços amostrais, respectivamente: • S1 = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10} • S2 = {ouro, paus, copas, espadas} • S3 = {1, 2, 3, 4, 5, 6} EVENTOS Denomina-se evento a todo conjunto particular de resultados de S ou ainda, a todo subconjunto de S. Será útil considerarmos o espaço todo S e o conjunto vazio como eventos. O primeiro é denominado evento certo e o segundo, evento impossível, e temos: P(S) = 1 P() = 0 Em particular, se S é um espaço amostral discreto ou enumerável composto de n pontos amostrais, existem 2n subconjuntos ou eventos que podem ser formados a partir de S. O conjunto que reúne todos esses subconjuntos é chamado de espaço de eventos ou classe de eventos. Exemplo 1: Seja S = {1, 2, 3} • Temos então, n = 3 23 = 8 eventos A1 = {}, A2 = {1} A3 = {2} A4 = {3} A5 = {1, 2} A6 = {1, 3} A7 = {2, 3} A8= {1, 2, 3} No caso contínuo, os eventos são colocados na forma de intervalos, como por exemplo: • B = {a x b}. EVENTOS MUTUAMENTE EXCLUSIVOS Dois eventos são mutuamente exclusivos se, e somente se, a ocorrência de um impede a ocorrência do outro. Correspondentemente, caracterizam-se, na teoria dos conjuntos, por dois conjuntos disjuntos, isto é, que não possuem nenhum ponto em comum. Como exemplo, considere-se os seguintes casos: (i)No lançamento de um dado, a ocorrência de uma face elimina a possibilidade de ocorrência das outras cinco. (ii)Seja S o espaço amostral referente à retirada de uma carta de um baralho de 52 cartas. Seja A o evento retirada de um ás e B o evento retirada de uma carta de ouro. Vê-se que a possibilidade de ocorrer A e B ao mesmo tempo não está descartada, ou seja, ocorrer ás de ouro. Logo, os eventos A e B não são mutuamente exclusivos. Em outras palavras, dois eventos A e B são mutuamente exclusivos se o seu conjunto interseção for vazio, ou seja: A B = A e B são disjuntos. EVENTOS INDEPENDENTES Dois eventos são independentes se a probabilidade de que ocorram juntos é igual ao produto das probabilidades de que ocorrem separado. P(A B) = P(A) x P(B) Esta é a condição de independência de dois eventos. Como exemplo, considere a seguinte situação: • Um dado e uma moeda são jogados ao mesmo tempo. Qual é a probabilidade de ocorrer cara na moeda e face 6 no dado? (Na Tabela 1 está o S). Dado Moeda Cara Coroa 1 1; Cara 1; Coroa 2 2; Cara 2; Coroa 3 3; Cara 3; Coroa 4 4; Cara 4; Coroa 5 5; Cara 5; Coroa 6 6; Cara 6; Coroa Tabela 1. Eventos possíveis no jogo de um dado e uma moeda A Tabela 1 mostra que seis dos 12 eventos do espaço amostral (S) correspondem a saída de cara na moeda. Então a probabilidade desse evento é: P Cara = 6 12 = 1 2 A Tabela 1 também mostra que dois dos 12 eventos correspondem à saída de seis no dado. A probabilidade é: P 6 = 2 12 = 1 6 Na mesma Tabela, você vê que apenas um dos 12 eventos corresponde ao que foi pedido: cara na moeda e 6 no dado – um conjunto interseção. A probabilidade é: P Cara ∩ 6 = 1 12 Então, para este exemplo: P Cara ∩ 6 =P Cara) x P(6 = 1 2 x 1 6 = 1 12 Diferença nos conceitos: Eventos mutuamente exclusivos – se um evento ocorre, o outro evento não pode ocorrer – não são independentes. Pense no jogo de uma moeda: quando se joga uma moeda, não há como ocorrer cara e coroa ao mesmo tempo. Logo, esses eventos são mutuamente exclusivos. Eles são independentes? • Não: a probabilidade de sair cara é 1/2, mas dada a condição de que ocorreu coroa, é zero. Então a probabilidade de sair cara muda, se sair coroa. Pense nisso. CONCEITO DE PROBABILIDADE Como a teoria das probabilidades está, historicamente, ligada aos jogosde azar, esta associação gerou inicialmente um conceito chamado conceito clássico ou probabilidade “a priori”, devido a Pierre S. Laplace. O conceito de frequência relativa como estimativa de probabilidade ou probabilidade “a posteriori” surgiu posteriormente, através de Richard E. Von Mises. CONCEITO CLÁSSICO OU PROBABILIDADE “A PRIORI” Seja E um experimento e S um espaço amostral, a ele associado, composto de n pontos amostrais. Define-se a probabilidade de ocorrência de um evento A, indicada por P(A), como sendo a relação entre o número de pontos favoráveis (f) a realização do evento A e o número total de pontos (n), ou seja: n f AP n = f + c, onde: f = número de pontos favoráveis ao evento A e c = número de pontos contrários a realização do evento A. Podemos completar definindo a probabilidade de realização do acontecimento contrário, indicada por , onde: Obviamente: P(A) + = 1 = 1 - P(A). AP n c AP AP AP Exemplo 2: Seja E o experimento relativo ao lançamento de um dado. Seja A o evento ocorrência da face 6. Considerando que os pontos de S = {1, 2, 3, 4, 5, 6} são equiprováveis, isto é, cada ponto de S tem a mesma probabilidade de ocorrer, tem-se que: 6 1 AP Pois o S possui 6 pontos dos quais um é favorável a ocorrência do evento A. Seja o espaço amostral referente ao número de caras obtidos em 3 lances de uma moeda e A o evento ocorrência de uma cara. Neste caso: S = {0, 1, 2, 3} e A = {1} Aqui, o conceito clássico não pode ser imediatamente aplicado pois, os pontos de S não são equiprováveis, ou seja, P A ≠ 1 4 . Exemplo 3: Observando-se o espaço amostral original: S = {cacaca, cacaco, cacoca, cocaca, cacoco, cocaco, cococa, cococo} Vê-se que A = {cacoco, cocaco, cococa} e, logo: Já que, nesse caso, S é equiprovável. 8 3 AP Fatos: O conceito clássico só pode ser utilizado em situações onde o espaço amostral é enumerável, finito e equiprovável. Sendo , no caso infinito todos os eventos teriam probabilidade zero de ocorrer. n f AP FREQUÊNCIA RELATIVA OU PROBABILIDADE “A POSTERIORI” Seja E um experimento e A um evento. Se após n realizações do experimento E, n suficientemente grande, forem observados m resultados favoráveis à A, então uma estimativa da probabilidade P(A) é dada pela frequência relativa: n m f . Se jogarmos um dado 90 vezes e obtivermos o resultado da Tabela a seguir, teremos na frequência relativa a probabilidade “a posteriori” e na frequência esperada relativa, a probabilidade “a priori”. Quando o número de tentativas aumenta consideravelmente, as duas se aproximam. Exemplo 4: Tabela 1. Resultado hipotético do lançamento de um dado 90 vezes consecutivos. Face Nº Frequência observada Frequência relativa Frequência esperada Frequência esperada relativa 1 12 12/90 = 0,133 15 1/6 = 0,167 2 17 17/90 = 0,189 15 1/6 = 0,167 3 15 15/90 = 0,167 15 1/6 = 0,167 4 18 18/90 = 0,200 15 1/6 = 0,167 5 10 10/90 = 0,111 15 1/6 = 0,167 6 18 18/90 = 0,200 15 1/6 = 0,167 90 1,000 Exemplo 5: Em 660 lançamentos de uma moeda, foram observadas 310 caras. Qual é a probabilidade de obter-se coroa, em um lançamento dessa moeda? Aqui, a estimativa f da probabilidade p será: 0,5303 660 350 f CONCEITO MODERNO OU AXIOMÁTICO Seja E um experimento e S um espaço amostral associado ao E. A cada evento A de S associaremos um número real P(A), denominado probabilidade de ocorrência do evento A, se forem satisfeitas as seguintes condições ou axiomas: i. P(A) 0, para qualquer evento A em S. ii. P(S) = 1. iii. Se A e B são dois eventos de S e são mutuamente exclusivos, então: P(A B) = P(A) + P(B) . Este último axioma pode ser generalizado para o caso de um número finito de eventos mutuamente exclusivos, ou seja: n 1i i AP P(A1 A2 ........ An ) = P(A1) + P(A2) + ....... + P(An) = Se Ai Aj = para todo par (i, j) com i j. Decorre daí, duas propriedades importantes, ou sejam: 0 P(A) 1 P(A ) = P(S) – P(A) = 1 – P(A) ESPAÇO AMOSTRAL FINITO Seja S um espaço amostral finito: S = (a1, a2, ... , an) Um espaço de probabilidade finito é obtido associando-se a cada ponto ai S, um número real pi, chamado de probabilidade de ai, satisfazendo às seguintes condições: i. pi 0, para i = 1, 2, ..... , n. ii. p1 + p2 + .... + pn = 1p n 1i i ESPAÇOS AMOSTRAIS FINITOS EQUIPROVÁVEIS Seja S um espaço de probabilidade finito. Se cada ponto de S tem a mesma probabilidade de ocorrer, então o espaço amostral chama-se equiprovável ou uniforme. Em particular, se S contém n pontos, então a probabilidade de cada ponto será 1 n . Por outro lado, se um evento A contém r pontos, então P(A) = r n . Este método de avaliar P(A) é frequentemente enunciado da seguinte maneira: Sdeelementosdenúmero Adeelementosdenúmero AP ou (S)n (A)n ocorreSamostralespaçooqueemvezesdenúmero ocorrerpodeAqueemvezesdenúmero AP TEOREMAS DO CÁLCULO DE PROBABILIDADES O cálculo de probabilidades, além dos axiomas, possui nos teoremas a serem enunciados um poderoso instrumento de auxílio. Os diagramas de Venn, são úteis na compreensão tanto dos teoremas como dos processos de demonstração. Teorema 1. Se é um conjunto vazio, então P() = 0 Demonstração: Seja A um evento qualquer. Considerando que: A = . • Temos que: P(A ) = P(A) + P() (Axioma 3) • Como A = A, então: P(A) = P(A) + P(). • Logo: P() = P (A) – P(A) • P() = 0 Teorema 2. Se A é o complemento do evento A, então: P(A ) = 1 – P(A). Demonstração: Considere que: S = A A e A ∩ A = . Então: • P(A A ) = P(A) + P(A ). • Assim: P(S) = P(A A ) = P(A) + P(A ); • 1 = P(A) + P(A ). • P(A )= 1 - P(A). A S A P(S) = 1 Exemplo 6: Um agente de compras declara que há uma probabilidade de 0,90 de que um fornecedor enviará uma carga livre de peças defeituosas. Utilizando o complemento podemos afirmar que há uma probabilidade de 1 – 0,90 = 0,10 de que a carga conterá peças defeituosas. Teorema 3. Se A e B são dois eventos quaisquer e B é o complemento do evento B, então: P(A B ) = P(A) – P(A B). S A B A B A B A = (A B ) + (A B) A = (A B ) + (A B) P (A) = P (A B ) + P (A B), pois A B e A B são mutuamente exclusivos. Logo: P (A B ) = P (A) - P (A B). FATO: • Do mesmo modo: P( A B) = P(B) - P(A B) Exemplo 7: Jogar um dado e observar o resultado. • S = {1, 2, 3, 4, 5, 6}. • Sejam os eventos: • A = {a face é potência de 2} e • B = {a face é par}. • Então, A = {2, 4} e B = {2, 4 e 6}. • P(A) = 2/6 e P(B) = 3/6 Teorema 4. Teorema da Soma de Probabilidades É útil quando temos dois eventos e estamos interessados em conhecer a probabilidade de que pelo menos um deles ocorra. Dados dois eventos A e B, estamos interessados em conhecer a probabilidade de que o evento A ou evento B ocorra, ou ambos ocorram: P(A B) = P(A) + P(B) - P(A B)A A B A B B A B S B) A ( B) (A B )A (B A B A B) A ( B) (A P P(B) )A (B A P B) P(A • A e (A B) são mutuamente exclusivos. • (A B) e (A B) são mutuamente exclusivos. B) A ( P B) (A P P(B) )A (B P (A) P B) P(A Subtraindo-se membro a membro, tem-se: P(A B) – P(B) = P(A) + P(A B) – P(A B) - P(A B) P(A B) = P(A) + P(B) - P(A B) Fato: • Para três eventos quaisquer A, B e C, temos que: P(A B C) = P(A) + P(B) + P(C) – P(A B) - P(A C) - P(B C) + P(A B C) Demonstração: A B C = A (B C) P(A B C) = P[A (B C)] P(A B C) = P(A) + P(B C) – P[A (B C)] P(A B C) = P(A) + P(B) + P(C) – P(B C) - P[(A B) (A C)] P(A B C) = P(A) + P(B) + P(C) – P(B C) – [P(A B) + P(A C) - P(A B C)] P(A B C) = P(A) + P(B) + P(C) – P(A B) – P(A C) - P(B C) +P(A B C) Fato: • Para quatro eventos quaisquer A, B, C e D, temos que: P(A B C D) = P(A) + P(B) + P(C) + P(D) – P(A B) - P(A C) - P(A D) - P(B C) - P(B D) - P(C D) + P(A B C) + P(A B D) + P(A C D) + P(B C D) - P(A B C D) A B C D = A (B C D) P(A B C D) = P[(A B) (C D)] P(A B C D) = P(A B) + P(C D) – P[(A B) (C D)] P(A B C D) = P(A) + P(B) - P(A B) + P(C) + P(D) – P(C D) – P(B D) – P(C D) - P[(A B) (C D)] P(A B C D) = P(A) + P(B) + P(C) + P(D) – P(B C) – P(B D) – P(C D) + P(A B C) – [P(A B) + P(A C) + P(A D) - P(A B C) - P(A B D) - P(A C D) + P(A B C D) ] P(A B C D) = P(A) + P(B) + P(C) + P(D) – P(B C) – P(B D) – P(C D) + P(A B C) – [P(A B) + P(A C) + P(A D) - P(A B C) - P(A B D) - P(A C D) + P(A B C D) ] P(A B C D) = P(A) + P(B) + P(C) + P(D) – P(A B) - P(A C) - P(A D) – P(B C) – P(B D) – P(C D) + P(A B C) + P(A B D) + P(A B D) + P(A C D) - P(A B C D) Teorema 5. Se A B, então P(A) P(B) Demonstração: S B A Podemos escrever: • B = A (A B) • P(B) = P(A) + P(A B), pois A e (A B) são mutuamente exclusivos. • Logo: P(A B) = P(B) – P(A), mas pelo axioma (i), vem: P(B) – P(A) ≥ 0. • Tal que: P(A) ≤ P(B) Teorema 6. Para um evento A qualquer, 0 P(A) 1 Demonstração: S A • P(A) 0 pelo axioma (i) • Resta provar que P(A) 1 • Pelo Teorema 5, A S, logo: P(A) P(S) • Pelo axioma (ii), tem-se que P(S) = 1, logo: P(A) 1 0 P(A) 1 EXERCÍCIOS 1.Um algarismo é escolhido dentre os algarismos 1, 2, 3, 4, 5 e em seguida uma segunda seleção é feita entre os quatro algarismos restantes. Admita que os 20 resultados possíveis tem a mesma probabilidade. Determine a probabilidade de que um algarismo ímpar seja escolhido: a) Na primeira vez; b) Na segunda vez; c) Ambas as vezes; d) Se Xi é o algarismo obtido na i-ésima seleção, calcular P(2X1 + X2 8). 2 a seleção (X2) S 1 2 3 4 5 1 (1, 2) (1, 3) (1, 4) (1, 5) 1 a seleção (X1) 2 (2, 1) (2, 3) (2, 4) (2, 5) 3 (3, 1) (3, 2) (3, 4) (3, 5) 4 (4, 1) (4, 2) (4, 3) (4, 5) 5 (5, 1) (5, 2) (5, 3) (5, 4) Uma vez que os resultados são equiprováveis e S contém 20 pontos. Cada ponto de S ocorre com probabilidade igual a 1/20. . Resposta: a) A = {ímpar na primeira vez} P A = 12 20 = 3 5 5 3 10 6 !3!2 !3.4.5 !1!1 !1.2 . !2!1 !2.3 !2)(5!2 !5 !1)(2!1 !2 . !1)(3!1 !3 C C.C P(A) 2 5 1 2 1 3 P(A) = P(I2a | I1a) . P(I1a) + P(P2a | I1a) . P(I1a) = 5 3 20 12 5 3 . 4 2 5 3 . 4 2 3/5 2/5 I P I P 2/4 2/4 I P 3/4 1/4 b) B = {ímpar na segunda vez} P B = 12 20 = 3 5 5 3 10 6 !3!2 !3.4.5 !1!1 !1.2 . !2!1 !2.3 !2)(5!2 !5 !1)(2!1 !2 . !1)(3!1 !3 C C.C P(B) 2 5 1 2 1 3 3/5 2/5 I P I P 2/4 2/4 I P 3/4 1/4 P(B) = P(I2a | P1a) . P(P1a) + P(I2a | I1a) . P(I1a) = 5 3 20 12 5 3 . 4 2 5 2 . 4 3 c) A B = { ambas as vezes} P A B = 6 20 = 3 10 10 3 20 6 !3!2 !3.4.5 !2!1 !2 . !1!1 !2.1.3 !2)(5!2 !5 !0)(2!1 !2 . !2)(3!1 !3 C C.C B) P(A 2 5 0 2 2 3 3/5 2/5 I P I P 2/4 2/4 I P 3/4 1/4 P(A) = P(I2a / I1a) . P(I1a) = 10 3 20 6 5 3 . 4 2 X2 (2X1 + X2) 1 2 3 4 5 1 4 5 6 7 X1 2 5 7 8* 9* 3 7 8* 10* 11* 4 9* 10* 11* 13* 5 11* 12* 13* 14* P(2X1 + X2 ) = 20 13 d) P(2X1 + X2 8): 2. Sejam A, B e C três eventos arbitrários. Escreva as expressões correspondentes aos eventos abaixo e as fórmulas para o cálculo das probabilidades em termos de P(A), P(B), P(C), P(A B), P(A C), P(B C) e P(A B C). a) A não ocorrência dos três eventos: )CBAP()CBAP(CBACBA = 1 – P(A B C) = 1 – [ P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C)] b) Pelo menos um dos três eventos ocorre: A B C P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) – P(B C) + P(A B C) 3. Uma caixa contém 6 bolas vermelhas, 4 azuis e 3 pretas. Se uma pessoa escolhe aleatoriamente uma destas bolas, qual é a probabilidade de escolher: a) 1 bola vermelha b) 1 bola azul ou preta Resposta: a) P(V) = 6 13 b) P(A P) = 4 + 3 13 = 7 13 DIAGRAMA DE ÁRVORE Um experimento E consiste em se jogar uma moeda e jogá-la pela segunda vez, caso ocorra uma cara. Se uma coroa ocorre no primeiro lançamento, então um dado é lançado uma única vez. Para listar os elementos de S, temos que construir um diagrama de árvore: C K C K 1 6 2 3 4 5 S = {(C, C) (C, K) (K, 1) ... (K,6) Probabilidade Condicional A noção de probabilidade condicional é uma ferramenta básica da teoria das probabilidades. As considerações seguintes conduzem de modo natural à definição formal. Exemplo: • Suponha que a Tabela a seguir represente uma possível divisão dos alunos matriculados em uma Universidade Federal, num dado ano. Curso Sexo Homens (H) Mulheres (F) Total Geologia (G) 70 40 110 Biologia (B) 15 15 30 Estatística (E) 10 20 30 Computação (C) 20 10 30 Total 115 85 200 Vamos indicar por A o evento que ocorre quando, escolhendo-se ao acaso um aluno da Universidade. Se ele for um estudante de Biologia, Geologia, Estatística, Computação, Homens e Mulheres. Desta forma, observamos que: 200 30 N N P(A) A 200 115 N N P(H) H 200 15 N N H)P(A AH , 200 130 200 15 200 115 200 30 H)P(AP(H)P(A)H)P(A Podemos considerar agora a subpopulação formada pelos homens. A probabilidade de que um aluno da Universidade, escolhido ao acaso nessa subpopulação, seja um estudante de Biologia é igual a: Onde NAH é o número de homens estudantes de Biologia. O resultado é então: H AH N N 115 15 O símbolo mais comumente adotado é P( A | H), que pode ser lido como a “probabilidade do evento A (estudante de Biologia) dado o evento H (que a pessoa escolhida seja do sexo masculino)”. Em linguagem Matemática: (H)P )HAP( N N )H|P(A H AH É claro que cada subpopulação pode ser considerada como sendo uma nova população. termo subpopulação é utilizado por conveniência de linguagem, servindo para indicar que existe uma população maior sendo considerada. Definição: Seja B um evento cuja probabilidade é positiva. Para um evento A, arbitrário, definimos. (B)P )BAP( )B|P(A A quantidade assim definida será chamada de probabilidade condicional de A na hipótese B (ou dado B). No caso de todos os pontos amostrais terem probabilidades iguais, P(A / B) é o quociente do nº de pontos amostrais comuns a A e B, pelo número de pontos de B. B AB N N Do mesmo modo tem-se que: 0P(A), (A)P )BAP( )A|P(B . Considerar probabilidades condicionais de vários eventos com relação a uma hipótese particular H é equivalente a escolhermos H como um novo espaço amostral, com probabilidades proporcionais às probabilidades originais. O fator de proporcionalidade P(H) é necessário para que se tenha a probabilidade total do novo espaço igual a 1. Essa formulação mostra que todos os teoremas gerais sobre probabilidades são válidos também para probabilidades condicionais, com respeito a qualquer hipótese particular H. Por exemplo, a relação fundamental para a probabilidade da ocorrência de A ou B ou ambos, toma a forma: H|B)(AP)H|B(P)H|A(PH/B)(AP Se A e B forem mutuamente exclusivos, então: )H|B(P)H|A(PH|B)(AP . Para o exemplo mencionado, se A e B indicam, respectivamente, os eventos “alunos matriculados em Estatística” e “aluno é mulher”, então: 200 20 )B(AP 200 30 P(A) 3 2 20030 20020 )A|(BP , e, portanto, Dada a informação da ocorrência de um evento, teremos a redução do espaço amostral. A probabilidade condicional pode ser avaliada diretamente no espaço amostral reduzido. No exemplo anterior: 3 2 30 20 )B|(AP . Exemplo 9: Exemplo 10: Dois dados são lançados: Considere os eventos: • A = {(X1, X2) | X1 + X2 = 10} • B = {(X1, X2) | X1 > X2} Avaliar: a) P(A) b) P(B) c) P(A / B) d) P(B / A) Solução: a) A = {(6,4) (5,5) (4, 6)} P(A) = 3/36 = 1/12 b) P(B) = 15/36 c) P(A | B) = P(A ∩ B) P(B) = 1/36 15/36 = 1 15 d) P(B | A) = P(A ∩ B) P(A) = 1/36 3/36 = 1 3 Teorema do Produto das Probabilidades Vimos que a probabilidade condicional de A na hipótese H (ou dado H) é: A fórmula acima é frequentemente utilizada na forma de produto: Esse resultado é conhecido pelo nome de Teorema do Produto das Probabilidades (ou Teorema das Probabilidades Compostas). (H)P )HAP( )H|P(A P(H).H)|P(AH)P(A Para generalizar esse resultado para três eventos A, B, C, tome em primeiro lugar H = B C como hipótese e, então, aplique a fórmula anterior uma vez mais; segue-se então que: P(H).H)|P(A.C)(B|APC)BP(A As generalizações para quatro ou mais eventos saem diretamente pelo mesmo processo. Enfim: “A probabilidade da ocorrência simultânea de dois eventos A e B, do mesmo espaço amostral, é igual ao produto da probabilidade de um deles pela probabilidade condicional do outro, dado o primeiro.” Exemplo 11: Em um lote de 12 peças, 4 são defeituosas. Duas peças são retiradas, uma após a outra, sem reposição. Qual a probabilidade de que ambas sejam boas? Solução: • A = a 1ª peça é boa e B = a 2ª peça é boa • P(A ∩ B) = P(A) . P(B / A) = 8 12 . 7 11 = 14 33 = 0,4242 Independência Estocástica ou Probabilística A probabilidade condicional P(A | H) não é, em geral, igual a P(A). No caso em que P(A | H) = P(A). Diremos que A é estocasticamente (probabilisticamente) independente de H. P(H).P(A)H)P(A Essa equação é simétrica em A e H, e mostra que sempre que A for estocasticamente independente de H, o mesmo se pode dizer de H com relação a A. É preferível, portanto, começarmos com a seguinte definição simétrica. Definição: Dois eventos A e H dizem-se estocasticamente independentes ou simplesmente, independentes, se for válida a igualdade: Esta definição engloba a situação na qual P(H) = 0, caso em que P(A | H) não é definida. O termo estatisticamente independente é sinônimo de independência estocástica. P(H).P(A)H)P(A Suponhamos agora três eventos A, B e C, tais que: P(C).P(B)C)P(B P(C).P(A)C)P(A(a) P(B).P(A)B)P(A P(C).P(B).P(A)C)BP(A(b) são independentes dois a dois. Se os eventos A, B e C satisfazem a (a) e (b), eles são mutuamente independentes. Definição: Os n eventos A1, A2, ......., An dizem-se mutuamente independentes, se para todas as combinações 1 i < j < k < .... n, as regras de multiplicação se aplicam. Teremos: )P(A.)P(A)AP(A jiji )P(A.)P(A.)P(A)AAP(A kjikji )P(A........)P(A.)P(A)A.......AP(A njinji .................................................. .................................................. O número total de equações definidas é 2n – n –1. • A primeira linha corresponde a C 2 n equações, a segunda C 3 n , etc. Temos, portanto: • C 2 n + C 3 n + ... + C n n = (1+1)n - C 1 n - C 0 n = 2n - n -1 • Condições, que devem ser satisfeitas. Por outro lado, as C 2 n condições da primeira linha são suficientes para garantir independência dois a dois. Teorema da Probabilidade Total Sejam B1, B2, ... e Bn eventos mutuamente exclusivos e exaustivos (B1, B2, ..... e Bn é um conjunto de eventos mutuamente exclusivos e exaustivos se qualquer dos eventos Bi e Bj não podem ocorrer ao mesmo tempo e um deles deve ocorrer. Enunciaremos agora um teorema útil que relaciona a probabilidade de um evento com probabilidades condicionais, o qual é chamado Teorema da Probabilidade Total. Simbolicamente, Bi Bj = , para i j e B1 B2 .... Bn = S). Então, para um evento arbitrário A, tem-se: n 1i ii nn2211 )P(B.)B|P(AP(A) )P(B.)B|P(A....)P(B.)B |P(A )P(B.)B |P(A P(A) Demonstração: Seja o diagrama de Venn a seguir: A B1 B2 B3 Bn ... 1BA 2BA 3BA nBA Diagrama associado ao Teorema da Probabilidade Total. É claro que podemos escrever A como a união de eventos mutuamente exclusivos, isto é: A = (A B1) ((A B2) ..... (A Bn) logo, P(A) = P(A B1) + P((A B2) + ..... + P(A Bn) Mediante a aplicação da definição de probabilidade condicional, onde: )P(B.A/BP)BP(A )P(B )BP(A B|AP iii i i i Teremos: )P(B.B|AP.....)P(B.B|AP )P(B.B|APAP nn2211 n 1i ii )P(B.B|APAP A utilidade deste resultado reside no fato de que as probabilidades que compõem o somatório acima são em geral mais fáceis de calcular do que a própria probabilidade de A. Teorema de Bayes Com base na definição de probabilidade condicional, pode-se estabelecerum resultado útil, geralmente conhecido como Teorema de Bayes, o qual apresentaremos agora. Sejam A e B dois eventos arbitrários com P(A) > 0 e P(B) > 0. Então: P(A) P(B).P(A/B) A|BP Combinando este resultado com o Teorema da Probabilidade Total, temos como consequência: n 1 i ii jj j )P(B.)B/P(A )P(B.)P(A/B A|BP Para qualquer j onde os Bi representam um conjunto de eventos mutuamente exclusivos e exaustivos. O resultado dado pela Fórmula anterior é chamado Teorema de Bayes, em honra do filósofo inglês Thomas Bayes, e sua utilidade consiste em permitir-nos calcular a probabilidade a posteriori P(B|A) em termos das informações a priori P(B) e P(A). EXERCÍCIO 4. Extraem-se aleatoriamente duas cartas de um baralho comum de 52 cartas. Determine a probabilidade de serem ambas ases, se a primeira carta: a) É reposta (com reposição); b) Não é reposta (sem reposição). Resposta: Sejam os eventos: A1 = {ás na 1ª extração} A2 = {ás na 2ª extração} Desejamos P(A1 A2) = P(A1) . P(A2 | A1) a) Como, na 1a extração, há 4 ases em 52 cartas, P(A1) = 4/52. E se a carta é reposta antes da 2ª extração, então P(A2 | A1) = 4/52, pois há ainda 4 ases entre as 52 cartas na 2ª extração. Então: 169 1 52 4 . 52 4 A|AP.APAAP 12121 221 1 51 3 . 52 4 A|AP.APAAP 12121 b) Como em (a), P(A1) = 4/52. Mas, devido à ocorrência de um às na 1ª extração, há agora apenas 3 ases entre 51 cartas restantes, de modo que: P(A2 | A1) = 3/51. Então:
Compartilhar